[Review]성냥갑으로 재미있고 쉽게 배우는 인공지능 이야기

제목 : 성냥갑으로 재미있고 쉽게 배우는 인공지능 이야기
저자 : 모리카와 유키히토
 - 1959년 일본 기후현 출생.
 - 츠쿠바 대학 예술전문학부 졸업.
 - 전문 그래픽 크리에이터.

필자가 이번학기에 Artificial Intelligence 과목을 듣기 앞서서 읽은 책입니다. 풍부한 내용을 이해하기 쉽고 읽기도 편하게 쓴 책이라고 생각됩니다. 저자도 의도가 컴퓨터에 대해서 지식이 없는 사람도 재미있게 읽을 수 있도록 썼다고 합니다. 그럼 필자가 책을 읽으면서 정리한 내용 입니다.

□ 유전자 알고리즘 - Genetic Algorithm(GA)

- 우수한 유전자(코드)만을 남기고 그 남은 유전자끼리 조합을 하여 보다 우수한 유전자를 생성하는 알고리즘. 단 여기서 적은 확률이나마 돌연변이의 가능성은 배제되어서는 안 된다. 다윈의 진화론을 모티프로 한 AI(Artificial Intelligence)

- GA의 가장 큰 특기는 ‘다양한 답안 중에서 가장 훌륭한 답안을 찾아 내는 것’

- 부모보다 못한 자식이 나와도 결과적으로는 우수한 방향으로 간다. 어차피 도태된 유전자는 삭제되고 보다 우수한 유전자만이 남아 새로운 자식을 남기기 때문이다.

□ 뉴럴 네트워크 모델 - Neural Network Model(NN)

- 먼저 우리가 스승이 되어 예제와 그에 대한 모범 답안을 준비해놓고 가르쳐줄 경우 그 다음은 가르쳐준 것은 물론 가르쳐주지 않은 것에 대해서도 스스로 판단하거나 추리할 수 있게 되어가는 특기를 지닌 AI. 우리의 두뇌 구조를 그대로 모방하여 만든 것.

- 베브의 법칙 : 시냅스(synapse, 신경세포의 연접 부위)의 앞과 뒤에서 동시에 신경세포가 흥분할 경우 그 시냅스 효율은 강화된다. 라는 개념을 모티브로 한 모델로 전기신호 되신 0과 1로된 Signal을 주고 받는 형태이다. 즉, 첫 번째 줄의 셀들이 흥분하여 두 번째 줄의 셀들에게 신호를 보냈을 때 역치를 넘는 신호를 받은 셀들도 흥분하는데 세포들이 동시에 흥분하게 되면 그 결합이 강화된다.=굵어진다. 라고 한다. 반대로 신호가 적은 결합은 결합이 약해진다.=가늘어 진다. 라고 한다.

- NN의 특기 : 어떤 정보를 입력하면 그 정보를 토대로 하여 추리해서 예측이나 판단을 해주는 것. 암기한 것을 기억해낼 뿐 아니라 모르는 것에 대해서도 과거의 경험(학습 내용)을 살려 추리해내는 것.

- 백 프로퍼게이션 모델(BP) : 입력층과 출력층 사이에 분명한 역할을 가지지 않은 층(숨은 층)을 추가시켜 모순된 사실에 대해서도 학습을 할 수 있게 하였다.

- 모범 답안을 입력하여 NN을 학습을 시켜 그와 유사한 문제가 들어 왔을 때 전에 학습했던 정보를 토대로 새로운 정보에 대한 답을 내놓는다. 문제는 일반적은 NN의 경우 일괄적으로 모범답안을 준비해놓기 때문에 수정이 가해질 여지가 없다. 또한 현상의 추가나 수정이 불가능한 NN의 학습 방법은 아무래도 비효율적이지 않을까 싶다.

□ AI 애벌레의 학습 방법

- 모범 답안을 준비해 놓지 않은 상태에서 랜덤으로 움직인 다음 가장 효율이 좋았던 움직임을 택한다. 즉, NN과 GA처럼 모범 답안이 있는 것이 아닌 스스로 가장 효율적이라고 판단되도록 학습 하는 것이다.

□ 홉필드 모델

- NN과 달리 첫째줄, 둘째줄, 셋째줄의 개념이 있는 것이 아니라 모든 셀들이 손을 잡고 있는 형태로 입력과 출력이 따로 있는 것이 아닌 모두가 입력이고 모두가 출력인 형태이다. NN은 단방향으로만 전기 신호가 갔는데 홉필드 모델은 양방향으로 전기 신호를 보낼 수 있으면 단, 보내지는 전기 신호는 동일해야 한다는 조건이 있다. 또한 각 셀들 간의 보내는 전기 신호의 양은 상이하다.

- 홉필드 모델이 익힐 수 있는 패턴의 수는 수학적으로 설명되어 있는데 그 수는 대개 세포 수의 15~20% 정도가 된다고 한다. 인간은 두뇌의 20% 정도밖에 사용하지 못한다고 하는데 단순한 우연의 일치일까?

- 장점 : 정보가 몇 개 누락되어 있어도 복원 가능하다. 가장 바람직한 조합을 찾아내는 기능이 있다. 일반적으로 가장 바람직한 조합을 찾는 방법으로는 모든 경우 수를 다 따져 보는 것이 일반적인데 그럴 경우 거의 무한에 가까운 수가 나타나게 된다. 하지만 홉필드 모델은 실제 모든 조합을 검토하는 것 보다 훨씬 빠르게 답을 찾아 낼 수 있다.

- 순환 세일즈맨 문제에 대한 싸이트, http://mars.elcom.nitech.ac.jp/jave-cai/neuro/bzmain.html, http://www2.plala.or.jp/ichinii/Kohotsp.html, http://www.patol.com/java/TSP/

- 단점 : 찾아낸 답이 가장 적절한 것이라는 보장이 없고 일단 답을 찾아내고 나면 그것보다 더 나은 답을 추가로 찾아내기 위해 탐색을 계속할 수도 없다.

□ 합체형 AI(NN+GA)

- NN은 몇 가지 샘플을 일러주면 난생 처음 보는 낯선 문제에 직면해도 상당히 정확하게 추측해낼 수 있는 특기를 지니고 있고 GA는 여러 개의 조합 중에서 가장 바람직한 것을 찾아내는 특기를 지니고 있다. 반면 GA는 여러 개의 조합 가운데 가장 바람직한 조합을 찾아내는 것이다.

- 세포가 어느만큼 있는가, 그리고 어떻게 연결되어 있는가 하는 ‘구조’와 각 세포가 내보내는 신호의 ‘양’을 미리 잘 정해 놓을 수 만 있다면 샘플을 토대로 한 학습조차 필요하지 않도록 처음부터 ‘기억’과 ‘추리’의 능력이 갖추어진 NN을 만들 수 있지 않을까? 하는 것이 N&G모델이다.

- 즉 각 세포들의 신호 전달양과 역치를 유전자로 하여 GA를 통해 처음에는 무작위로 생성하여 우수한 유전자만을 남기고 교차와 돌연변이를 통해 자손을 만든다. 이것으로 N&G는 인간의 노력도, NN의 학습도 없이 태어날 때부터 답을 알고 있는 NN을 만들어 내는 것이다. 하지만 문제는 규모가 작은 NN의 경우 이 방식이 효율적이지만 규모가 큰 NN은 제대로 운용이 안 된다는 것이다.

□ 완전 자립형 NN 만들기

- 자기채점까지 NN에 의해 수행되는 새로운 N&G 방식의 개체는 ‘판단, 추측 NN’과 ‘자기 채점 NN’이라는 두 가지 NN을 합해 놓은 것이 된다. 이러한 것은 인간의 모범 답안이 없는 경우(혹성 탐사 or 미지의 환경)에 유용하게 쓰일 수 있다. 이렇게 설정을 한 후에 GA를 통해 진화해 나가는 것이다. 이렇게 할 경우 인간이 생각하지 못한 새로운 알고리즘 들이 탄생할 수 있다.

□ 엑스퍼트 시스템(Expert System)

- Expert System은 전문가를 대체하는 AI로 주로 의학 쪽에서 많이 쓰이고 있다. 예를 들어 ‘A라면 B를 하고 아니면 C를 하라.’라는 식의 If-Else 문을 사용한 방식이다.

- 인간 세상에는 퍼지한(애매모호한) 단위가 주로 쓰인다. 상당히, 많이, 무겁게 등등 정확한 수치로 나타나지 않는 것을 말한다. 그래서 등장한 것이 퍼지 이론이다. 퍼지 이론은 ‘기다아니다’라는 식에 정도를 표현한 것이다. 이것을 Expert system과 합하여 그 정도를 측정 할 수 있게 하였다.

- Expert system는 간단한 알고리즘으로 이루어져 있음에도 불구하고 아주 정확한 판단을 내릴 수 있기 때문에 실생활에 많이 사용된다. 그 예시 사이트로는 카나자와 관광(http://www.fuji.ne.jp/~kissy/kanazawa/ai/)와 감기진단  (http://www.na.rim.or.jp/~tsunoda/etc/Expart/Expart.html)이 있다.

- 약점 : 인간이 규칙을 정해야 하기 때문에 상당한 전문 지식이 필요하고 새로운 규칙을 추가할 때마다 반드시 전문가의 도움이 필요하다. 또한 규칙이 많이 늘어나게 되면 규칙들끼리의 정합성(整合性)을 만들어야 한다. 또한 그 전문가 이상의 지식은 가질 수 없다는 것도 문제다. 그보다 근본적인 문제는 모든 경우를 망라한 규칙을 설정한다는 것이 가능할까 하는 문제가 있고 인간이 자신이 가지고 있는 지식을 빈틈없이 써낼 수 있을까 하는 문제도 엄연히 존재한다.

위에 되어 있는 Link가 책이 쓰여졌을 당시 한것으로 지금은 확인해 본 결과 거~의 안됐음을 확인했습니다. 위의 글을 읽어보고 흥미가 있으시다면 꼭 책을 읽어보시기를 권하고 싶습니다.